基于Lasso特征提取和多种机器学习模型的债券违约预测研究：GBDT性能最佳与特征工程的重要性

对截止至2017年7月17日的债券违约事件进行梳理归因，并寻找宏观流动性影响因素，组成数据集。运用Lasso回归进行特征提取后，输入带L2惩罚项LR、SVM、NN、GBDT、RF等机器学习模型进行违约预测，得出GBDT预测效果最好以及特征工程对线性模型预测效果具有重要性的结论。 数据收集与整理： 收集2017年7月17日之前的所有债券违约事件数据，包括违约债券的基本信息、违约原因、违约金额、发行人信息等。 同时，收集相关的宏观流动性数据，如货币供应量（M2）、国内生产总值（GDP）、利率水平、物价指数等，这些都可能对债券违约产生影响。 将这些数据整理成结构化的数据集，方便后续分析。 数据清洗与预处理： 对数据进行清洗，去除重复、错误或缺失值过多的数据。 对数据进行预处理，如标准化、归一化或编码分类变量等，以便后续模型训练。 特征工程与归因分析： 进行特征工程，从原始数据中提取出有意义的特征，如债券的信用评级、发行人的财务状况、行业特征、宏观流动性指标等。